ต่อไปคำแนะนำต่อไป
การมาสก์ความถี่เวลาสำหรับการแยกแหล่งที่มา
เทคนิค
คู่มือเสียง AI
Conv-TasNet is a time-domain neural speech-separation model that learns an encoder and decoder around a mask-based separator.
ฟังคำแนะนำนี้บรรยายโดย AI · ~2 min
Its paper reports strong two- and three-speaker results, including comparisons to ideal magnitude masks on two-speaker separation benchmarks.
Conv-TasNet is a single-channel, speaker-independent speech-separation model. It uses a learned linear encoder to map waveform segments into a representation optimized for separating speakers. A temporal convolutional network (TCN) predicts masks over that representation, and a learned decoder reconstructs separated waveforms. The paper reports strong results on two- and three-speaker mixtures, including comparisons to ideal magnitude masks in two-speaker separation evaluations. These results are specific to the paper’s tasks and metrics.
แยกผู้พูดที่ทับซ้อนกันสองคนออกจากกันในการประชุมที่บันทึกไว้เพื่อให้สามารถถอดเสียงแต่ละคนได้อย่างชัดเจน
การปรับปรุงคำพูดในหูฟังเอียร์บัดและเครื่องช่วยฟังที่แยกผู้พูดที่เป็นเป้าหมายออกจากเสียงพูดคุยในเบื้องหลัง
ประมวลผลเสียงศูนย์บริการที่มีเสียงดังก่อนส่งเข้าระบบรู้จำเสียงอัตโนมัติ
ทำความสะอาดบทสนทนาที่ทับซ้อนกันในพอดแคสต์หรือขั้นตอนหลังการผลิตภาพยนตร์
Conv-TasNet สร้างโมเดลโดเมนเวลาทั้งหมด ผู้สืบทอดเช่น DPRNN, SepFormer และ TF-GridNet ผลักดันคุณภาพการแยกให้สูงขึ้นมาก แต่ Conv-TasNet ยังคงเป็นพื้นฐานที่แข็งแกร่งและมีน้ำหนักเบา และยังคงใช้งานบนอุปกรณ์ที่การประมวลผลมีความหนาแน่น คาดว่าการออกแบบ TCN ขนาดกะทัดรัดจะยังคงปรากฏในเครื่องช่วยฟัง หูฟัง และการประชุมแบบเรียลไทม์ ซึ่งมักจะกลั่นหรือวัดปริมาณเพื่อให้ทำงานภายในมิลลิวินาทีบนชิปมือถือ
จดหมายข่าวฟรี
เรื่องราว AI ที่ตรวจสอบแล้ว 3 เรื่องทุกวันทำงาน เช้า, เขียนเป็นภาษาอังกฤษธรรมดา ฟรีตลอดไป ไม่มีโฆษณา
อีเมลหนึ่งฉบับทุกวันทำงาน ยกเลิกการสมัครในคลิกเดียว เราไม่เคยขายหรือแชร์ที่อยู่อีเมลของคุณ
ทดสอบตัวเอง
ข้อเสนอแนะทันทีสำหรับทุกคำตอบ และใบรับรองที่สามารถแชร์ได้พร้อม ID ที่ตรวจสอบได้เมื่อคุณผ่านหลักสูตร
สนับสนุนการศึกษา AI ฟรี AI Understanding เป็นองค์กรไม่แสวงหาผลกำไร 501(c)(3) — ไม่มีโฆษณา ไม่มีกำแพงเงิน, ตลอดไป บริจาค
Conv-TasNet is a time-domain neural speech-separation model that learns an encoder and decoder around a mask-based separator. Its paper reports strong two- and three-speaker results, including comparisons to ideal magnitude masks on two-speaker separation benchmarks.
Conv-TasNet แทนที่ไปป์ไลน์ STFT คงที่ด้วยตัวเข้ารหัส/ตัวถอดรหัสที่เรียนรู้ ดังนั้นจึงแยกเสียงในโดเมนเวลาบนรูปคลื่นดิบ
ตัวแยกคือ TCN ที่สร้างขึ้นจากการบิดแบบ 1D แบบขยายแบบซ้อนกัน ทำให้มีสนามรับสัญญาณขนาดใหญ่ในขณะที่ยังคงสามารถขนานกันได้
แทนที่จะเป็น STFT แบบคงที่ การบิดแบบ 1D ที่เรียนรู้จะเข้ารหัสชิ้นรูปคลื่นเพื่อแสดงที่ปรับให้เหมาะสมสำหรับการมาสก์
Conv-TasNet ได้รับการฝึกอบรมเกี่ยวกับการสูญเสีย SI-SNR รวมกับการฝึกอบรมที่ไม่แปรผันของการเรียงสับเปลี่ยนเพื่อจัดการกับลำดับที่ไม่รู้จักของผู้พูดที่แยกจากกัน
The paper reports outperforming several ideal time-frequency magnitude masks for two-speaker separation using objective and subjective evaluation.
เรียนรู้ต่อไป
คำแนะนำเพิ่มเติมที่เลือกสำหรับหัวข้อนี้
ต่อไปคำแนะนำต่อไป
การมาสก์ความถี่เวลาสำหรับการแยกแหล่งที่มา
เทคนิค